模糊联想记忆神经网络及其在地图数字注记识别中的应用

地图上数字注记的自动识别是实现全要素图纸读取的关键技术之一，本文分析了传统的光学字符识别方法和ＢＰ神经网络识别方法在识别时存在的种种困难，提出了一种基于模糊联想记忆神经网络的识别方法，并以初步实验证实了这种方法的有效性。     

利用Faster R-CNN进行立交桥自动识别与定位

立交桥结构的自动识别对道路网多尺度建模、空间分析和车辆导航具有重要意义。传统基于矢量数据的立交桥识别方法过分依赖人工设计的特征,对复杂场景的适应性较差。本文提出了一种基于目标检测Faster R-CNN神经网络模型的立交桥识别方法,该方法利用卷积神经网络学习立交桥样本的深层次结构特征,进而实现立交桥的自动识别与准确定位。试验结果表明,该方法对立交桥的识别效果较好,能够在复杂的道路网中准确确定立交桥的位置,避免了人为干预对试验结果不确定性的影响,抗干扰性较强。     

立交桥识别的CNN卷积神经网络法

OSM数据中立交桥结构的识别和分类,能够为构建多尺度模型、导航和位置服务、拥堵分析等提供重要信息。传统的立交桥识别方法依赖于人工设计的低层次特征,无法有效区分存在干扰路段的复杂立交桥结构。本文针对当前算法抗差性上存在的不足,提出了一种新的基于卷积神经网络的立交桥识别方法。该方法将矢量数据与栅格图像相结合,利用神经网络学习区分立交桥类型的高层次模糊性特征,从而对OSM中的复杂立交桥结构进行分类。试验表明,该方法有较强的抗干扰性,在复杂的立交桥形态分类中取得了良好的效果,并随着案例库的扩充和神经网络模型的优化存在进一步提升的空间。     

自组织特征映射神经网络及其在彩色地图自动分层中的应用

地图数据分层是地图识别系统的一个重要组成部分。由于传统的基于Ｂａｙｅｓ准则识别方法要求已知概率分布密度，当实际概率分布与假设条件存在差异时，无法取得满意的识别效果。神经网络方法可以克服这些缺点。本文利用Ｋｏｈｏｎｅｎ提出的自组织特征映射网络的学习、识别能力，实现了对彩色地图扫描数据的自动分层。     

主动学习和卷积神经网络的地图图片识别方法

针对目前互联网中存在有大量地图图片识别精度低、分类模型训练困难等问题,该文提出了一种基于主动学习和卷积神经网络的地图图片识别方法,通过主动学习算法优化地图/非地图图片样本数量及分类结构,可使用少量的训练样本以及人工投入,来获取基于卷积神经网络的高精度地图图片识别模型。结果表明:基于主动学习方法将地图/非地图图片样本类型划分为17类时,地图图片识别精度最高,约为95.01%。本文地图识别方法可有效地推动图像地理信息挖掘、地图审查及地理信息监管等领域的技术进步。     

自组织特征映射神经网络及其在彩色地图自动分层中的应用

地图数据分层是地图识别系统的一个重要组成部分。由于传统的基于Ｂａｙｅｓ准则识别方法要求已知概率分布密度，当实际概率分布与假设条件存在差异时，无法取得满意的识别效果。神经网络方法可以克服这些缺点。本利用Ｋｏｈｏｎｅｎ提出的自组织特征映射网络的学习、识别能力实现了对彩色地图扫描数据的自动分层。     

神经网络决策树的矢量数据变化信息快速识别方法

针对GIS数据更新中变化信息的自动提取问题,提出基于神经网络决策树的变化信息快速识别方法。设计了基于四叉树的变化信息层次检测算法,通过比较对象的节点-弧段特征快速定位到变化区域。以新旧要素的匹配特征为依据,通过神经网络决策树实现变化信息的识别,兼顾了决策树实现效率高和神经网络的自适应处理的特征。1∶2000地形图变化信息识别试验结果表明:该方法计算效率高,能够准确快速地识别出变化信息,有助于提高GIS数据库的动态更新的自动化与智能化水平。     

遥感影像目标的尺度特征卷积神经网络识别法

高分辨率遥感影像的目标检测与识别，是高分对地观测系统中影像信息自动提取及分析理解的重要内容。针对传统影像目标检测与识别算法中人工设计特征稳健性与普适性差的问题，本文提出基于高分辨率遥感影像目标尺度特征的卷积神经网络检测与识别方法。首先通过统计遥感影像目标的尺度范围，获得卷积神经网络训练与测试过程中目标感兴趣区域合适的尺度大小。然后根据目标感兴趣区域合适的尺度，提出基于高分辨率遥感影像目标尺度特征的卷积神经网络检测与识别架构。通过WHU-RSone数据集对本文卷积神经网络架构与Faster-RCNN架构对比测试验证。试验结果表明，本文架构ZF模型和本文架构VGG-16模型的mean average precision （mAP）分别比Faster-RCNN ZF模型和Faster-RCNN VGG-16模型提高8.17%和8.31%，本文卷积神经网络架构可获得良好的影像目标检测与识别效果。     

基于特征的模糊神经网络遥感图像目标分类识别

特征是图像处理中用于辨识目标的最基本属性.提出了利用模糊神经网络方法,针对舰船的几何特征、矩特征和纹理特征进行舰船目标识别处理.首先简单地描述了几何特征、矩特征尤其是Hu矩特征、一阶纹理特征和二阶纹理特征.然后分别对仿真数据、卫星观测数据中的舰船目标,以及自动检测处理获取的舰船目标的几何特征、Hu机特征和纹理特征进行了提取和分析.模糊神经网络方法可以综合模糊集理论和神经网络方法的优势,有效地实现基于特征的图像目标分类识别处理.文章首先描述了一种主从神经元结构的模糊神经网络分类识别方法,然后利用该方法对大型舰船进行分类识别,包括基于单类舰船特征的分类识别和基于多源(时相)数据融合的分类识别.实验结果表明,基于大型舰船的几何特征、矩特征和纹理特征,利用模糊神经网络方法可以实现对大型舰船目标的有效分类识别.通过多源数据融合处理,可以改善分类识别效果.     

一种综合利用图像和光谱信息的物体真假模式识别方法

传统模式识别方法在物体、人脸、指纹、军事目标识别等领域中只利用单一的图像信息。当研究对象的图像特征高度相似时，识别率较低，如对于真假目标的识别，仅仅利用物体的图像信息很难得到满意的识别结果。针对上述问题，提出了一种综合利用图像和光谱信息的物体真假模式识别方法。该方法采用卷积神经网络模型，通过迁移学习的方式构建图像识别模型，并依据物体图像的语义特征进行物体类别识别，在此基础上，基于逆传播（back propagation，BP）神经网络模型，结合物体的实测光谱数据进行物体真假识别。为了验证该方法的准确性和有效性，利用真假苹果和葡萄作为测试对象，单独利用图像信息和光谱信息进行识别时，识别率分别为38.50%和63.00%，而利用该综合方法得到的识别率为95.00%。可认为该方法提高了真假目标混杂情况下的识别准确度，可为物体识别、人脸识别、指纹识别、军事目标识别等领域的应用提供重要的参考，也为航天侦查载荷设计提供了新的思路。     

HJ-1B卫星遥感影像的积雪识别

针对国产卫星HJ-1B数据积雪像元识别的问题,该文分析了归一化差分积雪指数法和改进的归一化差分积雪指数法的优缺点,并根据积雪与其他地物的光谱特征变化幅度的差异性,提出了一个仅用HJ-CCD数据作为数据源的积雪识别方法。实验中,选取了两块不同特征的影像进行试验,以神经网络分类结合目视解译方法的提取结果作为标准进行精度评价。结果表明,该文提出的方法操作简单,能快速、准确地识别区域积雪覆盖面积。     

基于卷积神经网络的地铁保护区风险源识别北大核心CSCD

城市轨道交通沿线的风险源识别是防止违规作业导致的安全事故的重要手段。为解决传统识别方法效率低、漏检率高、成本大等问题,本文基于无人机地铁保护区巡检系统,采用卷积神经网络对无人机采集的影像数据进行风险源识别。首先介绍无人机影像获取的流程,并在原始影像数据的基础上,通过数据增强的方式制作多角度、多尺度的风险源数据集;然后使用卷积神经网络建立风险源识别模型,对无人机采集影像中的风险源进行自动识别和定位。试验结果表明,多角度、多尺度风险源数据集的建立进一步提升了模型的识别准确率,且比传统方法具有效率高、成本低等优点。     

基于自适应Kalman滤波的BP神经网络及其在高程拟合中的应用

针对传统BP神经网络容易发散、泛化能力差等问题，采用自适应Kalman滤波方法训练神经网络的连接权。与Kalman滤波训练连接权和传统的BP算法相比，该方法提高了BP神经网络计算精度，增强了泛化能力。实测数据的计算结果证明了该方法的可行性与有效性。     

基于神经网络的点状地图符号识别

地图符号识别是地图成图自动化的一个重要研究方向,但是传统的地图符号识别方法已经不能满足数字地图发展的需要,迫切需要一种用自动化技术代替人工数字化的作业方式[1].因此地图符号的识别是整个技术的关键,而点状地图符号的识别更是地图符号识别的基础.本文探讨和研究了基于神经网络的点状地图符号识别.     

神经网络和知识推理结合的卫星影像分层提取方法研究

提出一种基于神经网络和知识处理的卫星影像分层提取新方法，实现了水系、公路和其他面状地物的分层智能提取。它先用神经网络和基于像元的知识后处理方法提取水系和公路等地物，再通过图像处理方法，将其从原始图像中去除，然后再用神经网络模型分割其他面状地物，统计各斑块的纹理、高程、坡度、形状等特征，采用基于斑块的不确定推理方法分类。最后实验表明新方法优于传统的神经网络方法，而且避免了知识推理方法的复杂性。     

模糊神经网络在GPS高程转换中的应用

介绍了T-S模糊神经网络的基本原理以及如何确定GPS高程转换的模糊神经网络模型，并采用该模型对实测数据进行了计算分析。结果表明，模糊神经网络能够对小区域GPS高程做出比较准确定的拟合，从而能够为GPS高程转换提供一种较好的方法，能够满足实际工程需要。     

基于鸟群优化BP神经网络的滑坡处治后变形预测

滑坡变形程度是判断处治后滑坡是否稳定的关键评价指标，开展处治后滑坡变形预测可提前掌握滑坡稳定性情况，有利于滑坡失稳风险分析，便于开展地质灾害防灾减灾工作。为了准确预测处治后滑坡变形情况，本文提出了一种采用鸟群算法（BSA）优化BP神经网络的滑坡变形预测方法，借助BSA-BP神经网络构建了广西某高速公路滑坡变形预测模型，对比分析了BSA-BP神经网络与BP神经网络的预测结果。结果表明，BSA-BP神经网络预测结果的均方误差和相关系数分别为0.053 4和0.997 6,BP神经网络预测结果的均方误差和相关系数分别为2.225 6和0.968，鸟群算法可有效提高BP神经网络模型的预测精度，能有效应用于处治后滑坡变形预测，研究结果可为处治后滑坡失稳风险预测提供参考。     

基于改进的粒子群优化神经网络算法的海平面变化预测分析

针对验潮站潮位预报的需求，提出一种基于分群策略的粒子群优化神经网络(SSPSO-BP)的预报方法。该方法通过建立多个不同功能且具有交流能力的智能粒子群，经SSPSO和BP的两次优化，构建潮高预报模型。实验研究表明，SSPSO-BP模型在Oga站的潮位资料上高、低潮位间的时刻基本保持一致，高潮时刻最大潮高差为7.37 cm,低潮时刻最大潮高差为4.21 cm,该模型比标准BP神经网络及PSO优化神经网络在准确度和精度上有了很大的提高，其平均绝对误差、均方误差相较于BP神经网络分别提升了16.2%、79.2%,相较于PSO-BP神经网络提升了13.9%、79.6%。     

顾及接入点部署密度差异的室内楼层识别方法

针对目前基于WiFi的室内楼层识别方法大多要求各楼层接入点(AP)部署密度相近的问题,本文通过模拟了楼层识别率低的环境并进行实验验证,分析了造成识别率下降的原因,设计了一种顾及AP部署密度差异的室内楼层识别方法。该方法根据扫描到AP的局域网地址(Mac)和信号强度进行二次判断获得楼层估计。实验模拟了不同楼层AP部署密度相差较大的环境,并分别使用基于K最近邻(KNN)的楼层识别方法和本文方法进行实验对比。实验结果表明:在AP部署密度相差较大情况下基于KNN的楼层识别方法识别率为88%,较正常部署环境下降了10%,而本文方法识别率仍可达98%,且在不同部署情况下识别率均高于基于KNN的楼层识别方法。     

基于深度卷积神经网络的遥感图像船只识别

根据遥感图像的特点,针对海面目标难以准确识别的问题,提出了一种基于深度卷积神经网络的船只识别方法.首先利用分类网络进行图像的预分类,然后在分类结果的基础上,构成双通道的识别体制,识别网络采用Faster R-CNN.针对受云雾遮挡的船只识别问题,利用改进的深度卷积神经网络结构开展网络训练与调优,处理结果的F1-Score最高可达0.7253.训练的网络模型表现出很好的船只目标识别能力,处理结果证明了该方法的有效性与准确性.